Struttura del corso
Introduzione
- Introduzione a Kubernetes
- Panoramica di Kubeflow Funzionalità e architettura
- Kubeflow su AWS, on-premise e su altri provider di cloud pubblico
Configurazione di un cluster con AWS EKS
Configurazione di un cluster on-premise con Microk8s
Distribuzione Kubernetes usando un approccio GitOps
Approcci all'archiviazione dei dati
Creazione di una Kubeflow pipeline
Attivazione di una pipeline
Definizione degli artefatti di output
Archiviazione di metadati per set di dati e modelli
Regolazione degli iperparametri con TensorFlow
Visualizzazione e analisi dei risultati
Formazione Multi-GPU
Creazione di un server di inferenza per la distribuzione di modelli di Machine Learning
Utilizzo di JupyterHub
Networking e bilanciamento del carico
Ridimensionamento automatico di un cluster Kubernetes
Risoluzione dei problemi
Riassunto e conclusione
Requisiti
- Familiarità con la sintassi di Python
- Esperienza con Tensorflow, PyTorch o altri framework di machine learning
- Un account AWS con le risorse necessarie
Pubblico
- Gli sviluppatori
- Scienziati dei dati
Recensioni (1)
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.